Чому AI-канал потребує власного звіту
Платний трафік, органіка, соцмережі та email мають кожен свій звіт із власними метриками, бо кожен поводиться інакше. Виявлення через AI наймолодше з них і найменш зрозуміле, і його досі здебільшого подають як виноску всередині каналу, до якого воно не належить.
Окремий звіт потрібен не через новизну, а тому що механізм тут інший. Немає позиції в ранжуванні, немає кількості показів, немає сторінки результатів. Модель читає ваші сторінки за розкладом, посеред розмови вирішує, чи потягнутися по одну з них, і час від часу надсилає до вас людину з посиланням. Це три окремі події, породжені трьома окремими поведінками, і число з однієї з них дуже мало каже про наступну.
Тож корисне питання не «наскільки ми видимі в AI», а який етап каналу дає збій, бо виправлення для кожного своє.
Чотири етапи, у яких живе кожна метрика
Спершу структура, потім метрики. Усе нижче відповідає на питання про один із чотирьох етапів, і вони йдуть по черзі. Сторінка не може стати кандидатом на цитування, якщо її ніколи не читали, і не може дати вам перехід, якщо її ніколи не цитують.
Сім метрик
Кожна з них є панеллю в дашборді WISLR AI Channel Analytics, зчитаною з власних серверних логів. Вони перелічені в порядку воронки, і діагностична цінність полягає в тому, щоб читати їх одна проти одної, а не поодинці.
Покриття навчання
Навчання- Що вимірює
- Частку ваших комерційно важливих сторінок, які навчальні AI-краулери справді прочитали, а не сиру кількість звернень.
- Як це показує WISLR
- Вивчені сторінки та покриття навчання, з денним обсягом сканувань, вашими найактивнішими днями навчання й розбивкою за рушіями.
- Як виглядає добрий результат
- Покриття, сконцентроване на категорійних, товарних і порівняльних сторінках. Широке покриття блогу, поки комерційний каталог лишається непрочитаним, є поширеним і дорогим патерном.
- Де ламається
- Блокування в robots.txt, контент, що з'являється лише після виконання JavaScript, і повільні відповіді, через які краулери здаються.
Покриття кандидатів
Кандидати- Що вимірює
- Частку сторінок, підтягнутих під час живих розмов. Це сторінки, які модель визнала достатньо добрими, щоб узяти їх під час відповіді на реальне питання, і це найближче до вотуму довіри, що його дає цей канал.
- Як це показує WISLR
- Кандидати та покриття кандидатів, зі списком окремих сторінок-кандидатів за заголовками, щоб ви бачили, по який контент тягнеться модель.
- Як виглядає добрий результат
- Ваші сторінки, що приносять гроші, з'являються серед кандидатів, а не лише головна та один популярний гайд.
- Де ламається
- Сторінки без самодостатнього твердження, яке можна процитувати. Модель, що підтягнула вашу сторінку, все одно має знайти речення, за яке зможе поручитися.
Покриття переходів
Переходи- Що вимірює
- Частку сторінок, які заробили реальний клік з AI-відповіді, і те, куди ці люди потрапили.
- Як це показує WISLR
- Переходи та покриття переходів, з ранжованими сторінками входу й обсягом переходів, зіставленим з активністю навчання та кандидатів на одній шкалі часу.
- Як виглядає добрий результат
- Переходи, сконцентровані на сторінках, що конвертують, а не на інформаційному контенті, який відповідає на питання так повно, що клікати вже немає потреби.
- Де ламається
- Мобільні вбудовані браузери зрізають referrer, тож візит потрапляє в direct або other. Це найбільше окреме джерело недорахунку в браузерних інструментах.
Оцінка зростання
Усі етапи- Що вимірює
- Напрям і швидкість, а не рівень. Одне зведене значення того, чи канал прискорюється, тримається, чи згасає.
- Як це показує WISLR
- Оцінку зростання з міткою імпульсу, поряд із денним переглядом активності, щоб ви бачили, чи зміна є трендом, чи одним незвичним днем.
- Як виглядає добрий результат
- Імпульс, що тримається після контентного ривка, замість сплеску з поверненням до базової лінії за два тижні.
- Де ламається
- Читання щодня. Поведінка сканування за природою пульсуюча, і окремий день є шумом.
Розподіл за рушіями
Усі етапи- Що вимірює
- Як ваша видимість розподіляється між OpenAI, Anthropic, Gemini і Perplexity, окремо на кожному етапі.
- Як це показує WISLR
- Розбивку за LLM, застосовану до навчання, кандидатів і переходів, тож розподіл може відрізнятися за етапами, і ви це бачите.
- Як виглядає добрий результат
- Присутність у кількох рушіях. Концентрація в одному створює залежність, а рушії змінюють свою поведінку сканування й цитування без попередження.
- Де ламається
- Припущення, що поведінка одного рушія узагальнюється. Вони різняться тим, що сканують, як часто підтягують і чи взагалі дають посилання назовні.
Скановані, але не цитовані
Від навчання до кандидатів- Що вимірює
- Сторінки, які модель прочитала й ніколи не підтягнула у відповідь. Розрив між тим, що вона має, і тим, що використовує.
- Як це показує WISLR
- Постійний список сторінок зі станом «скановані, але не цитовані», тож розрив стає чергою робіт, а не здогадом.
- Як виглядає добрий результат
- Короткий список, що скорочується, на комерційних сторінках. Для тонкого чи дубльованого контенту довгий список є правильним результатом.
- Де ламається
- Сприймати сканування як перемогу. Сканування означає, що двері були відчинені, не більше.
Дохід, атрибутований AI
Дохід- Що вимірює
- Замовлення та ліди, простежені до AI-сесії, яка їх породила, у грошах.
- Як це показує WISLR
- Атрибуцію IP до замовлення з доходом у часі, деталізацією до покупця та часом до покупки, з розбивкою за рушіями там, де це дозволяють дані.
- Як виглядає добрий результат
- Дохід на AI-сесію, який витримує порівняння з іншими вашими каналами, і крива часу до покупки, навколо якої можна планувати ретаргетинг.
- Де ламається
- Неперервність сесії. Той, хто приходить з AI-відповіді й повертається за три дні, щоб купити, невидимий для наївної моделі останнього кліку, і саме тому час до покупки має стояти поряд із числом доходу.
Як читати їх одна проти одної
Поодинці це просто числа. Діагностична цінність лежить у кроках між ними, бо кожне падіння має одне ймовірне пояснення й власне виправлення.
Усі сім є панелями в WISLR.ai. Він фіксує навчальні сканування, підтягування посеред розмови та AI-переходи на межі, на вашому власному домені, зіставляє сесії із замовленнями й показує покриття на кожному етапі з розбивкою за рушіями. Не треба піднімати конвеєр логів, а безкоштовний план зберігає 30 безперервних днів історії, тож базова лінія починається сьогодні.
Як це лягає на ваш SEO-звіт
Ці метрики стоять поряд із вашим SEO-звітом, а не поверх нього. Вони походять з інших джерел і відповідають на інші питання, а найближчий аналог часто не є точним.
З чого почати
Починайте з верху воронки, бо проблема на першому етапі знецінює кожне число під ним. Покриття навчання та «скановані, але не цитовані» достатньо для першого раунду рішень, і обидві метрики походять з тих самих даних логів.
Негайно варто зробити одну річ: запустити годинник. Кожна метрика тут є трендом, а тренду потрібна базова лінія. Бренд, який починає записувати зараз, матиме місяці історії тоді, коли конкурент ще вирішує, що вимірювати, а історію заднім числом не заповниш.
Побачте ці сім чисел на власних даних.
WISLR AI Channel Analytics показує всі сім із ваших власних серверних логів: покриття навчання та покриття кандидатів за рушіями, чергу «скановані, але не цитовані», оцінку зростання й дохід, зіставлений із сесією. Безкоштовний план зберігає 30 безперервних днів історії, чого достатньо, щоб закласти базову лінію.